CN111290967A - 一种软件缺陷预测方法、装置、设备及存储介质 - Google Patents
一种软件缺陷预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111290967A CN111290967A CN202010160596.7A CN202010160596A CN111290967A CN 111290967 A CN111290967 A CN 111290967A CN 202010160596 A CN202010160596 A CN 202010160596A CN 111290967 A CN111290967 A CN 111290967A
- Authority
- CN
- China
- Prior art keywords
- software
- data
- principal component
- sample
- current
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003062 neural network model Methods 0.000 claims abstract description 33
- 238000000513 principal component analysis Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims description 51
- 238000012545 processing Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 210000002364 input neuron Anatomy 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000013522 software testing Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3604—Software analysis for verifying properties of programs
- G06F11/3608—Software analysis for verifying properties of programs using formal methods, e.g. model checking, abstract interpretation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Stored Programmes (AREA)
Abstract
本发明实施例公开了一种软件缺陷预测方法、装置、设备及存储介质。该方法包括:获取待测试软件的当前原始数据,其中,当前原始数据包括预先设定的对待测试软件的软件缺陷存在影响的影响因素的原始数据;对当前原始数据进行主成分分析,得到当前主成分数据;将当前主成分数据输入至已训练完成的软件缺陷预测模型中,得到待测试软件的软件缺陷的预测结果,其中,软件缺陷预测模型是对原始BP神经网络模型进行训练后得到的。本发明实施例的技术方案,在软件测试工作开展前,可以先基于主成分‑BP神经网络模型对待测试软件的软件缺陷进行客观且精准预测的效果。
Description
技术领域
本发明实施例涉及计算机应用技术领域,尤其涉及一种软件缺陷预测方法、装置、设备及存储介质。
背景技术
随着信息技术的快速发展,计算机行业已经成为现代社会的核心支柱产业之一,而运行在计算机中的各软件是计算机运行性能高低的重要影响因素。
通常情况下,每个已开发的软件在正式应用前,需要对其进行测试以确定软件中是否存在缺陷。目前的软件测试工作主要是通过工作经验分配测试资源以及准备测试前期工作,由此尽可能减少测试成本并保证软件产品质量。但是,这一方案与工作经验的关联较强,测试效果难以保证。
发明内容
本发明实施例提供了一种软件缺陷预测方法、装置、设备及存储介质,以实现基于主成分-BP神经网络模型对软件缺陷进行客观且精准预测的效果。
第一方面,本发明实施例提供了一种软件缺陷预测方法,可以包括:
获取待测试软件的当前原始数据,其中,当前原始数据包括预先设定的对待测试软件的软件缺陷存在影响的影响因素的原始数据;
对当前原始数据进行主成分分析,得到当前主成分数据;
将当前主成分数据输入至已训练完成的软件缺陷预测模型中,得到待测试软件的软件缺陷的预测结果,其中,软件缺陷预测模型是对原始BP神经网络模型进行训练后得到的。
可选的,软件缺陷预测模型可以通过如下步骤预先训练得到:
获取已测试软件的样本原始数据和样本测试结果,其中,样本原始数据包括对已测试软件的软件缺陷存在影响的影响因素的原始数据;
对样本原始数据进行主成分分析,得到样本主成分数据;
基于样本主成分数据和样本测试结果对原始BP神经网络模型进行训练,得到软件缺陷预测模型。
可选的,对样本原始数据进行主成分分析,得到样本主成分数据,可包括:
对样本原始数据进行标准化处理,得到样本标准数据;
计算样本标准数据的相关系数矩阵的特征值,并根据预设贡献率从特征值中筛选出主成分特征值,计算主成分特征值的单位特征向量;
根据单位特征向量得到样本主成分数据。
可选的,原始BP神经网络模型可以包括输入层、隐含层和输出层。
可选的,原始BP神经网络模型可以通过如下公式表示:
其中,是样本测试结果,M是隐含层节点数,wjz是第j个隐含层神经元与输出神经元间的权值,wij是第i个输入神经元与第j个隐含层神经元间的权值,ui是样本主成分数据中第i列的主成分数据,p是输入神经元的个数,bj是隐含层的阈值,bz是输出层的阈值。
可选的,上述软件缺陷预测方法,还可以包括:
根据预测结果对当前原始数据进行调整,根据调整结果更新当前原始数据;
重复执行对当前原始数据进行主成分分析,得到当前主成分数据的步骤,直至预测结果满足预设数值阈值。
可选的,影响因素可以包括需求功能点覆盖率、需求数量、测试策略覆盖率、测试用例覆盖率、测试用例颗粒度、测试用例个数、代码行数、测试环境差异程度、存在交互的系统数量、测试时间和人员配置规模中的至少一个,和/或,预测结果可以包括缺陷数量。
第二方面,本发明实施例还提供了一种软件缺陷预测装置,可以包括:
当前原始数据获取模块,用于获取待测试软件的当前原始数据,当前原始数据包括预先设定的对待测试软件的软件缺陷存在影响的影响因素的原始数据;
当前主成分数据得到模块,用于对当前原始数据进行主成分分析,得到当前主成分数据;
软件缺陷预测模块,用于将当前主成分数据输入至已训练完成的软件缺陷预测模型中,得到待测试软件的软件缺陷的预测结果,其中,软件缺陷预测模型是对原始BP神经网络模型进行训练后得到的。
第三方面,本发明实施例还提供了一种设备,该设备可以包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现本发明任意实施例所提供的软件缺陷预测方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现本发明任意实施例所提供的软件缺陷预测方法。
本发明实施例的技术方案,通过获取待测试软件的当前原始数据,该当前原始数据包括预先设定的对待测试软件的软件缺陷存在影响的影响因素的原始数据,由此,可以对当前原始数据进行主成分分析,得到当前主成分数据,该当前主成分数据是已降维的已解耦合的主成分数据;进而,将当前主成分数据输入至已训练完成的软件缺陷预测模型中,该软件缺陷预测模型是对具有较强的非线性拟合能力的原始BP神经网络模型进行训练后得到的,由此,根据软件缺陷预测模型的输出结果可以得到待测试软件的软件缺陷的精准客观的预测结果。上述技术方案,在软件测试工作开展前,可以实现基于主成分-BP神经网络模型对待测试软件的软件缺陷进行客观且精准预测的效果。
附图说明
图1是本发明实施例一中的一种软件缺陷预测方法的流程图;
图2是本发明实施例二中的一种软件缺陷预测方法的流程图;
图3是本发明实施例二中的一种软件缺陷预测方法的优选实施例图;
图4是本发明实施例三中的一种软件缺陷预测装置的结构框图;
图5是本发明实施例四中的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一中提供的一种软件缺陷预测方法的流程图。本实施例可适用于在软件测试工作开展前,对待测试软件的软件缺陷进行预测的情况。该方法可以由本发明实施例提供的软件缺陷预测装置来执行,该装置可以由软件和/或硬件的方式实现,该装置可以集成在各种用户终端或服务器上。
参见图1,本发明实施例的方法具体包括如下步骤:
S110、获取待测试软件的当前原始数据,其中,当前原始数据包括预先设定的对待测试软件的软件缺陷存在影响的影响因素的原始数据。
其中,影响因素可以是通过预先分析得到的对待测试软件的软件缺陷存在影响的因素,尤其可以是在制定软件质量保障策略时需要涉及到的因素,该软件质量保障策略可以认为是软件测试策略。示例性的,影响因素可以是需求功能点覆盖率、需求数量、测试策略覆盖率、测试用例覆盖率、测试用例颗粒度、测试用例个数、代码行数、测试环境差异程度、存在交互的软件数量、测试时间和人员配置规模中的至少一个,当然,其也可以是其余的对软件缺陷存在影响的因素,在此未做具体限定。
当前原始数据是影响因素的未经处理的原始数据,当前原始数据的个数和影响因素的个数具通常是一致的,由此,可选的,当前原始数据可以通过矩阵方式表示。示例性的,若影响因素是测试用例个数,则当前原始数据可以是[A];若影响因素是测试用例个数和测试用例覆盖率,则当前原始数据可以是[A,B],A和B的具体数值可根据具体情况而定。
待测试软件可以是一个功能简单的软件,也可以是一个功能复杂的软件,等等。在待测试软件是一个功能复杂的软件时,其也可以称为待测试系统。待测试软件的软件缺陷可以是在软件测试工作开展时出现的缺陷数量(即,BUG数量),也可以是某个方面的BUG数量,比如错误、故障、缺陷、漏洞方面的BUG数量,等等,在此未做具体限定。
S120、对当前原始数据进行主成分分析,得到当前主成分数据。
其中,由于各影响因素间具有较强的耦合性,这会对软件缺陷的预测精度产生较大影响。为解决这一问题,本实施例对当前原始数据进行主成分分析,由此对各影响因素或是说当前原始数据进行降维处理以解耦合,得到当前主成分数据,该当前主成分数据可以认为是当前主成分综合指标数据。
需要说明的是,相对于直接选择较少的影响因素的处理方案,本实施例在影响因素方面考虑更加全面,将影响较弱的影响因素也考虑在内;在此基础上,本实施例将各影响因素间的耦合性考虑在内,通过计算量较小的主成分分析对各影响因素进行降维处理,这对提高预测结果的精确度至关重要。
S130、将当前主成分数据输入至已训练完成的软件缺陷预测模型中,得到待测试软件的软件缺陷的预测结果,其中,软件缺陷预测模型是对原始BP神经网络模型进行训练后得到的。
其中,考虑到各影响因素间具有较强的非线性关系,因此软件缺陷预测模型是对传统的原始BP神经网络模型进行训练后得到的,该BP神经网络模型具有较强的非线性拟合能力,其可以是三层网络,比如输入层、隐含层和输出层。由此,在将当前主成分数据输入至已训练完成的采用BP神经网络模型实现的软件缺陷预测模型后,根据软件缺陷预测模型的输出结果可以得到待测试软件的软件缺陷的精准且客观的预测结果。
需要说明的是,上述预测结果有助于进一步完善软件质量保障策略,对测试资源进行合理分配,这对保证软件产品质量和降低测试成本具有重要意义。一个可选的实现方案,由于影响因素可以是在制定软件质量保障策略时需要涉及到的因素,由此,可根据预测结果对当前原始数据进行调整,并根据调整结果更新当前原始数据;重复执行对当前原始数据进行主成分分析,得到当前主成分数据的步骤,直至预测结果满足预设数值阈值。示例性的,以预测结果为BUG数量为例,若BUG数量大于预设数量阈值,这说明当前的软件质量保障策略是存在问题的,需要进一步调整。那么,此时可根据BUG数量对当前原始数据进行调整,并对已调整的当前原始数据再次执行主成分分析、模型预测的步骤,再次判断BUG数量和预设数量阈值间的数值关系,重复往复,直至BUG数量满足预先设定的数量阈值。这样一来,由此得到的软件质量保障策略就是一个比较完善的可保证软件产品质量且可降低测试成本的软件测试策略。
本发明实施例的技术方案,通过获取待测试软件的当前原始数据,该当前原始数据包括预先设定的对待测试软件的软件缺陷存在影响的影响因素的原始数据,由此,可以对当前原始数据进行主成分分析,得到当前主成分数据,该当前主成分数据是已降维的已解耦合的主成分数据;进而,将当前主成分数据输入至已训练完成的软件缺陷预测模型中,该软件缺陷预测模型是对具有较强的非线性拟合能力的原始BP神经网络模型进行训练后得到的,由此,根据软件缺陷预测模型的输出结果可以得到待测试软件的软件缺陷的精准客观的预测结果。上述技术方案,在软件测试工作开展前,可以实现基于主成分-BP神经网络模型对待测试软件的软件缺陷进行客观且精准预测的效果。
实施例二
图2是本发明实施例二中提供的一种软件缺陷预测方法的流程图。本实施例以上述各技术方案为基础进行优化。在本实施例中,可选的,上述软件缺陷预测模型可以通过如下步骤预先训练得到:获取已测试软件的样本原始数据和样本测试结果,其中,样本原始数据包括对已测试软件的软件缺陷存在影响的影响因素的原始数据;对样本原始数据进行主成分分析,得到样本主成分数据;基于样本主成分数据和样本测试结果对原始BP神经网络模型进行训练,得到软件缺陷预测模型。其中,与上述各实施例相同或相应的术语的解释在此不再赘述。参见图2和图3,本实施例的方法如下所述:
S210、获取已测试软件的样本原始数据和样本测试结果,其中,样本原始数据包括对已测试软件的软件缺陷存在影响的影响因素的原始数据。
其中,已测试软件和待测试软件可以是不同的软件,如二者是不同项目或是不同系统的软件,由此,样本原始数据可以是已测试项目或是已测试系统在测试环节涉及到的原始数据;已测试软件和待测试软件也可以是相同的软件,如某系统在开发时通常分为多个开发阶段,且在每个开发阶段都会进行相应测试,由此,样本原始数据可以是已测试阶段在测试环节涉及到的原始数据。
需要说明的是,一方面,已测试软件的影响因素和待测试软件的影响因素通常是一致的,这是因为,虽然二者存在差异,但是对二者的软件缺陷进行测试时需要考虑的影响因素是具有共性的。另一方面,若待测试软件和已测试软件是不同的软件,则可以基于已测试软件的样本原始数据对待测试软件的软件缺陷预测模型进行训练的原因在于,在对不同软件的软件缺陷进行测试时,在影响因素一致的情况下,虽然各软件的输入输出的具体数据可能存在差异,但是各影响因素间的关系是类似的,且输入输出间的关系也是类似的。由此,软件缺陷预测模型的训练样本可以来自于不同的软件,而已训练完成的比较完善的软件缺陷预测模型亦可以适用于各个软件的软件缺陷的预测。
S220、对样本原始数据进行主成分分析,得到样本主成分数据。
其中,相对于样本原始数据而言,样本主成分数据是已降维的已解耦的主成分数据。需要说明的是,样本原始数据的数据量可以是一组,也可以是多组,例如,若样本原始数据具有m组数据,且每组数据具有n个影响因素,则样本原始数据X可以表示为矩阵X=(xij)m*n,其中,行是组且列是影响因素,xij是样本原始数据中第i组第j个影响因素的原始数据,i=1,2,…,m且j=1,2,…,n;在此基础上,样本主成分数据U可以表示为矩阵其中,u11是样本主成分数据中第1组第j列的主成分数据,p是主成分个数,p≤n。
S230、基于样本主成分数据和样本测试结果对原始BP神经网络模型进行训练,得到软件缺陷预测模型。
其中,将样本主成分数据作为模型的实际输入,样本测试结果作为模型期望输出,由此,根据模型的实际输出和期望输出间的差异性,调整模型的各参数比如阈值、权值等等,由此得到已训练完成的软件缺陷预测模型。
S240、获取待测试软件的当前原始数据,并对当前原始数据进行主成分分析,得到当前主成分数据,其中,当前原始数据包括预先设定的对待测试软件的软件缺陷存在影响的影响因素的原始数据。
S250、将当前主成分数据输入至已训练完成的软件缺陷预测模型中,得到待测试软件的软件缺陷的预测结果。
本发明实施例的技术方案,通过获取已测试软件的样本原始数据和样本测试结果,该样本原始数据包括对已测试软件的软件缺陷存在影响的影响因素的原始数据,由此,可以对样本原始数据进行主成分分析,得到样本主成分数据,该样本主成分数据是已降维的已解耦合的主成分数据;进而,基于样本主成分数据和样本测试结果对原始BP神经网络模型进行训练,由此得到了已训练完成的软件缺陷预测模型。
一种可选的技术方案,对样本原始数据进行主成分分析,得到样本主成分数据,具体可以包括:对样本原始数据进行标准化处理,得到样本标准数据;计算样本标准数据的相关系数矩阵的特征值,并根据预设贡献率从特征值中筛选出主成分特征值,计算主成分特征值的单位特征向量;根据单位特征向量得到样本主成分数据。为了更好地理解这一步骤的具体实现过程,下面结合具体公式对其进行说明,示例性的,对样本原始数据X=(xij)m*n进行标准化处理,得到样本标准数据,其中,标准化处理过程是i=1,2,…,m且j=1,2,…,n,此处为便于阐述,依然采用X=(xij)m*n表示样本标准数据;计算样本标准数据的相关系数矩阵D,其中,D=(rij)n*n,且j=1,2,…,n;通过特征方程|λIn-D|=0计算相关系数矩阵D的特征值λ,由此得到n个特征值,将这n个特征值由大到小排序为λ1≥λ2≥L≥λn≥0,其中,In是n阶单位矩阵, 通过式子计算出贡献率大于预设贡献率时对应的p值,即样本标准数据的主成分个数为p个,由此得到主成分特征值λo,o=1,2,…,p;通过Dbo=λobo分别计算出p个主成分特征值λo对应的单位特征向量bo,o=1,2,…,p;由此,根据uo=bo TX,o=1,2,…,p可以得到样本主成分数据uo为样本主成分数据U中某组第o列的主成分数据,其也可理解为第o个主成分指标数据。
在此基础上,可选的,原始BP神经网络模型可以包括输入层、隐含层和输出层。由此,原始BP神经网络模型可以通过如下公式表示:
其中,是样本测试结果,M是隐含层节点数,其可通过人工经验试凑获得,wjz是第j个隐含层神经元与输出神经元间的权值,wij是第i个输入神经元与第j个隐含层神经元间的权值,ui是样本主成分数据中某组第i列的主成分数据,p是输入神经元的个数,bj是隐含层的阈值,bz是输出层的阈值。
实施例三
图4为本发明实施例三提供的软件缺陷预测装置的结构框图,该装置用于执行上述任意实施例所提供的软件缺陷预测方法。该装置与上述各实施例的软件缺陷预测方法属于同一个发明构思,在软件缺陷预测装置的实施例中未详尽描述的细节内容,可以参考上述软件缺陷预测方法的实施例。参见图4,该装置具体可包括:当前原始数据获取模块310、当前主成分数据得到模块320和软件缺陷预测模块330。
其中,当前原始数据获取模块310,用于获取待测试软件的当前原始数据,当前原始数据包括预先设定的对待测试软件的软件缺陷存在影响的影响因素的原始数据;
当前主成分数据得到模块320,用于对当前原始数据进行主成分分析,得到当前主成分数据;
软件缺陷预测模块330,用于将当前主成分数据输入至已训练完成的软件缺陷预测模型中,得到待测试软件的软件缺陷的预测结果,其中,软件缺陷预测模型是对原始BP神经网络模型进行训练后得到的。
可选的,软件缺陷预测模型通过如下模块预先训练得到:
样本获取模块,用于获取已测试软件的样本原始数据和样本测试结果,样本原始数据包括对已测试软件的软件缺陷存在影响的影响因素的原始数据;
样本主成分数据得到模块,用于对样本原始数据进行主成分分析,得到样本主成分数据;
模型训练模块,用于基于样本主成分数据和样本测试结果对原始BP神经网络模型进行训练,得到软件缺陷预测模型。
可选的,样本主成分数据得到模块,具体可以包括:
标准化单元,用于对样本原始数据进行标准化处理,得到样本标准数据;
计算单元,用于计算样本标准数据的相关系数矩阵的特征值,并根据预设贡献率从特征值中筛选出主成分特征值,计算主成分特征值的单位特征向量;
样本主成分数据得到单元,用于根据单位特征向量得到样本主成分数据。
可选的,原始BP神经网络模型可以包括输入层、隐含层和输出层。
可选的,原始BP神经网络模型可以通过如下公式表示:
其中,是样本测试结果,M是隐含层节点数,wjz是第j个隐含层神经元与输出神经元间的权值,wij是第i个输入神经元与第j个隐含层神经元间的权值,ui是样本主成分数据中第i列的主成分数据,p是输入神经元的个数,bj是隐含层的阈值,bz是输出层的阈值。
可选的,在上述装置的基础上,该装置还可包括:
调整模块,用于根据预测结果对当前原始数据进行调整,并根据调整结果更新当前原始数据;
重复执行模块,用于重复执行对当前原始数据进行主成分分析,得到当前主成分数据的步骤,直至预测结果满足预设数值阈值。
可选的,影响因素可以包括需求功能点覆盖率、需求数量、测试策略覆盖率、测试用例覆盖率、测试用例颗粒度、测试用例个数、代码行数、测试环境差异程度、存在交互的系统数量、测试时间和人员配置规模中的至少一个,和/或,预测结果可以包括缺陷数量。
本发明实施例三提供的软件缺陷预测装置,通过当前原始数据获取模块获取待测试软件的当前原始数据,该当前原始数据包括预先设定的对待测试软件的软件缺陷存在影响的影响因素的原始数据;当前主成分数据得到模块可以对当前原始数据进行主成分分析,得到当前主成分数据,该当前主成分数据是已降维的已解耦合的主成分数据;软件缺陷预测模块将当前主成分数据输入至已训练完成的软件缺陷预测模型中,该软件缺陷预测模型是对具有较强的非线性拟合能力的原始BP神经网络模型进行训练后得到的,由此,根据软件缺陷预测模型的输出结果可以得到待测试软件的软件缺陷的精准客观的预测结果。上述装置,在软件测试工作开展前,可以实现基于主成分-BP神经网络模型对待测试软件的软件缺陷进行客观且精准预测的效果。
本发明实施例所提供的软件缺陷预测装置可执行本发明任意实施例所提供的软件缺陷预测方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述软件缺陷预测装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
实施例四
图5为本发明实施例四提供的一种设备的结构示意图,如图5所示,该设备包括存储器410、处理器420、输入装置430和输出装置440。设备中的处理器420的数量可以是一个或多个,图5中以一个处理器420为例;设备中的存储器410、处理器420、输入装置430和输出装置440可以通过总线或其它方式连接,图5中以通过总线450连接为例。
存储器410作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的软件缺陷预测方法对应的程序指令/模块(例如,软件缺陷预测装置中的当前原始数据获取模块310、当前主成分数据得到模块320和软件缺陷预测模块330)。处理器420通过运行存储在存储器410中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的软件缺陷预测方法。
存储器410可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据设备的使用所创建的数据等。此外,存储器410可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器410可进一步包括相对于处理器420远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可用于接收输入的数字或字符信息,以及产生与装置的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。
实施例五
本发明实施例五提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种软件缺陷预测方法,包括:
获取待测试软件的当前原始数据,其中,当前原始数据包括预先设定的对待测试软件的软件缺陷存在影响的影响因素的原始数据;
对当前原始数据进行主成分分析,得到当前主成分数据;
将当前主成分数据输入至已训练完成的软件缺陷预测模型中,得到待测试软件的软件缺陷的预测结果,其中,软件缺陷预测模型是对原始BP神经网络模型进行训练后得到的。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的软件缺陷预测方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。依据这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种软件缺陷预测方法,其特征在于,包括:
获取待测试软件的当前原始数据,其中,所述当前原始数据包括预先设定的对所述待测试软件的软件缺陷存在影响的影响因素的原始数据;
对所述当前原始数据进行主成分分析,得到当前主成分数据;
将所述当前主成分数据输入至已训练完成的软件缺陷预测模型中,得到所述待测试软件的软件缺陷的预测结果,其中,所述软件缺陷预测模型是对原始BP神经网络模型进行训练后得到的。
2.根据权利要求1所述的方法,其特征在于,所述软件缺陷预测模型通过如下步骤预先训练得到:
获取已测试软件的样本原始数据和样本测试结果,其中,所述样本原始数据包括对所述已测试软件的软件缺陷存在影响的所述影响因素的原始数据;
对所述样本原始数据进行主成分分析,得到样本主成分数据;
基于所述样本主成分数据和所述样本测试结果对所述原始BP神经网络模型进行训练,得到所述软件缺陷预测模型。
3.根据权利要求2所述的方法,其特征在于,所述对所述样本原始数据进行主成分分析,得到样本主成分数据,包括:
对所述样本原始数据进行标准化处理,得到样本标准数据;
计算所述样本标准数据的相关系数矩阵的特征值,并根据预设贡献率从所述特征值中筛选出主成分特征值,计算所述主成分特征值的单位特征向量;
根据所述单位特征向量得到样本主成分数据。
4.根据权利要求3所述的方法,其特征在于,所述原始BP神经网络模型包括输入层、隐含层和输出层。
6.根据权利要求1所述的方法,其特征在于,还包括:
根据所述预测结果对所述当前原始数据进行调整,并根据调整结果更新所述当前原始数据;
重复执行所述对所述当前原始数据进行主成分分析,得到当前主成分数据的步骤,直至所述预测结果满足预设数值阈值。
7.根据权利要求1所述的方法,其特征在于,所述影响因素包括需求功能点覆盖率、需求数量、测试策略覆盖率、测试用例覆盖率、测试用例颗粒度、测试用例个数、代码行数、测试环境差异程度、存在交互的系统数量、测试时间和人员配置规模中的至少一个,和/或,所述预测结果包括缺陷数量。
8.一种软件缺陷预测装置,其特征在于,包括:
当前原始数据获取模块,用于获取待测试软件的当前原始数据,所述当前原始数据包括预先设定的对所述待测试软件的软件缺陷存在影响的影响因素的原始数据;
当前主成分数据得到模块,用于对所述当前原始数据进行主成分分析,得到当前主成分数据;
软件缺陷预测模块,用于将所述当前主成分数据输入至已训练完成的软件缺陷预测模型中,得到所述待测试软件的软件缺陷的预测结果,其中,所述软件缺陷预测模型是对原始BP神经网络模型进行训练后得到的。
9.一种设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的软件缺陷预测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的软件缺陷预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010160596.7A CN111290967A (zh) | 2020-03-10 | 2020-03-10 | 一种软件缺陷预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010160596.7A CN111290967A (zh) | 2020-03-10 | 2020-03-10 | 一种软件缺陷预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111290967A true CN111290967A (zh) | 2020-06-16 |
Family
ID=71030210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010160596.7A Pending CN111290967A (zh) | 2020-03-10 | 2020-03-10 | 一种软件缺陷预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111290967A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111949535A (zh) * | 2020-08-13 | 2020-11-17 | 西安电子科技大学 | 基于开源社区知识的软件缺陷预测装置及方法 |
CN112416783A (zh) * | 2020-11-25 | 2021-02-26 | 武汉联影医疗科技有限公司 | 软件质量影响因素确定方法、装置、设备和存储介质 |
CN112948829A (zh) * | 2021-03-03 | 2021-06-11 | 深信服科技股份有限公司 | 文件查杀方法、系统、设备及存储介质 |
CN113157556A (zh) * | 2021-03-09 | 2021-07-23 | 金陵科技学院 | 一种基于选择主成分识别的行业建筑软件缺陷管理方法 |
CN113297092A (zh) * | 2021-06-21 | 2021-08-24 | 中国农业银行股份有限公司 | 软件的缺陷预测方法及相关设备 |
CN114328277A (zh) * | 2022-03-11 | 2022-04-12 | 广东省科技基础条件平台中心 | 一种软件缺陷预测和质量分析方法、装置、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799531A (zh) * | 2012-07-26 | 2012-11-28 | 浪潮电子信息产业股份有限公司 | 一种基于层次分析理论的软件测试方法 |
CN107346286A (zh) * | 2017-07-03 | 2017-11-14 | 武汉大学 | 一种基于核主成分分析和极限学习机的软件缺陷预测方法 |
-
2020
- 2020-03-10 CN CN202010160596.7A patent/CN111290967A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799531A (zh) * | 2012-07-26 | 2012-11-28 | 浪潮电子信息产业股份有限公司 | 一种基于层次分析理论的软件测试方法 |
CN107346286A (zh) * | 2017-07-03 | 2017-11-14 | 武汉大学 | 一种基于核主成分分析和极限学习机的软件缺陷预测方法 |
Non-Patent Citations (7)
Title |
---|
南通大学教务处: "《学海图南 南通大学优秀毕业设计(论文)集 2016》", 30 April 2017, 苏州大学出版社 * |
吴超等: "基于生命周期的软件缺陷预测技术", 《计算机工程与设计》 * |
孙萍: "《质量敏感型有毒有害气体传感器及阵列研究》", 28 February 2015, 电子科技大学出版社 * |
李琰: "《社会物流成本效率及发展趋势》", 31 October 2019, 知识产权出版社 * |
王强等: "软件测试设计重要度的决策分析", 《计算机应用》 * |
董仕: "《基于流记录的网络流量识别关键技术研究》", 31 July 2017, 科学技术文献出版社 * |
赵玮: "《应用机器学习方法度量在线品牌忠诚度模型构建研究》", 30 June 2017, 北京交通大学出版社 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111949535A (zh) * | 2020-08-13 | 2020-11-17 | 西安电子科技大学 | 基于开源社区知识的软件缺陷预测装置及方法 |
CN111949535B (zh) * | 2020-08-13 | 2022-12-02 | 西安电子科技大学 | 基于开源社区知识的软件缺陷预测装置及方法 |
CN112416783A (zh) * | 2020-11-25 | 2021-02-26 | 武汉联影医疗科技有限公司 | 软件质量影响因素确定方法、装置、设备和存储介质 |
CN112416783B (zh) * | 2020-11-25 | 2022-05-20 | 武汉联影医疗科技有限公司 | 软件质量影响因素确定方法、装置、设备和存储介质 |
CN112948829A (zh) * | 2021-03-03 | 2021-06-11 | 深信服科技股份有限公司 | 文件查杀方法、系统、设备及存储介质 |
CN112948829B (zh) * | 2021-03-03 | 2023-11-03 | 深信服科技股份有限公司 | 文件查杀方法、系统、设备及存储介质 |
CN113157556A (zh) * | 2021-03-09 | 2021-07-23 | 金陵科技学院 | 一种基于选择主成分识别的行业建筑软件缺陷管理方法 |
CN113297092A (zh) * | 2021-06-21 | 2021-08-24 | 中国农业银行股份有限公司 | 软件的缺陷预测方法及相关设备 |
CN114328277A (zh) * | 2022-03-11 | 2022-04-12 | 广东省科技基础条件平台中心 | 一种软件缺陷预测和质量分析方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111290967A (zh) | 一种软件缺陷预测方法、装置、设备及存储介质 | |
CN106294120B (zh) | 测试代码的方法、设备和计算机程序产品 | |
CN109902002B (zh) | 组合测试用例的生成方法及装置、存储介质、计算机设备 | |
CN111667010A (zh) | 基于人工智能的样本评估方法、装置、设备及存储介质 | |
CN110287332B (zh) | 云环境下仿真模型选择方法与装置 | |
CN111881023B (zh) | 一种基于多模型对比的软件老化预测方法及装置 | |
CN112200392B (zh) | 业务预测方法及装置 | |
CN111985845B (zh) | 一种异构Spark集群的节点优先级调优方法 | |
CN111860568B (zh) | 数据样本的均衡分布方法、装置及存储介质 | |
CN113837596A (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
CN112884016A (zh) | 云平台可信评估模型训练方法和云平台可信评估方法 | |
CN112685674A (zh) | 一种影响用户留存的特征评估方法及装置 | |
CN114169460A (zh) | 样本筛选方法、装置、计算机设备和存储介质 | |
CN117688316A (zh) | 一种用于飞机载荷预测的数据降维处理方法 | |
CN112613191A (zh) | 电缆健康状态评估方法、装置、计算机设备和存储介质 | |
CN116166967B (zh) | 基于元学习与残差网络的数据处理方法、设备和存储介质 | |
CN112464154A (zh) | 一种基于无监督学习的自动筛选有效特征的方法 | |
CN114138659A (zh) | 一种测试案例处理方法及系统 | |
CN114861800A (zh) | 模型训练方法、概率确定方法、装置、设备、介质及产品 | |
CN114202110A (zh) | 一种基于rf-xgboost的业务故障预测方法及装置 | |
CN116994609B (zh) | 应用于智能生产线的数据分析方法及系统 | |
CN113742216B (zh) | 一种检测机器学习引擎的效率的方法、装置和存储介质 | |
CN113138556B (zh) | 一种高精度闭环系统辨识方法 | |
CN112463556B (zh) | 一种卷可见的等待时间的预测方法、系统、设备以及介质 | |
CN117371506A (zh) | 模型训练、模型测试方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 430206 Lianying medical headquarters base, No. 99, gaokeyuan Road, Donghu high tech Development Zone, Wuhan, Hubei Province Applicant after: WUHAN UNITED IMAGING HEALTHCARE Co.,Ltd. Address before: 430206 b1-7, No. 818, Gaoxin Avenue, Donghu New Technology Development Zone, Wuhan City, Hubei Province Applicant before: WUHAN UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200616 |